从姿态到身份：基于特征中心化的无训练人体再识别
计算机视觉与模式识别
2025-03-12 v2
摘要
人体再识别 (ReID) 旨在提取准确的身份表示特征。然而，在特征提取过程中，单个样本不可避免地受到噪声（背景、遮挡和模型局限性）的影响。考虑到经过训练后，来自同一身份的特征围绕身份中心的正态分布，我们提出一种 Training-Free Feature Centralization ReID 框架 (Pose2ID)，通过聚合同一身份的特征来减少单个噪声并增强身份表示的稳定性，同时保留特征的原始分布以供后续策略（如重排序）使用。具体而言，为获得同一身份的样本，我们引入两个组件：身份引导的行人生成：通过利用身份特征引导生成过程，可获得具有多样化姿态的高质量图像，确保在红外、遮挡等复杂场景下仍能保持身份一致性。邻居特征中心化：探索每个样本在其邻域内的潜在正样本。实验表明，我们的生成模型表现出强大的泛化能力，同时保持高水平的身份一致性。通过特征中心化框架，我们即使使用 ImageNet 预训练模型而无需 ReID 训练，也实现了在 Market1501 上达到 52.81/78.92 的 mAP/Rank-1。此外，我们的方法在标准 ReID 任务、跨模态 ReID 任务和遮挡 ReID 任务中均取得了新的最佳结果，展示了强大的适应性。
引用
@article{arxiv.2503.00938,
title = {From Poses to Identity: Training-Free Person Re-Identification via Feature Centralization},
author = {Chao Yuan and Guiwei Zhang and Changxiao Ma and Tianyi Zhang and Guanglin Niu},
journal= {arXiv preprint arXiv:2503.00938},
year = {2025}
}